LLMs之Agent之AutoGen：AutoGen的简介、安装、使用方法之详细攻略

一个处女座的程序猿

已于 2024-01-21 21:55:36 修改

阅读量7.1k

点赞数 8

分类专栏： NLP/LLMs AI/AGI RAG_Agent 文章标签： LLMs Agent

于 2023-11-02 00:58:45 首次发布

本文链接：https://blog.csdn.net/qq_41185868/article/details/134173153

版权

NLP/LLMs 同时被 3 个专栏收录

776 篇文章

订阅专栏

AI/AGI

338 篇文章

订阅专栏

RAG_Agent

122 篇文章

订阅专栏

本文介绍了微软开源的AutoGen框架，用于构建具有多个Agent的LLM应用，通过多Agent对话解决任务，支持定制化和人类参与。文章详细讲解了AutoGen的安装、使用方法以及其在增强LLM推理方面的优势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

LLMs之Agent之AutoGen：AutoGen的简介、安装、使用方法之详细攻略

(1)、启动两个代理之间的自动聊天来解决任务

AutoGen的简介、安装、使用方法

2023年9月30日左右，微软正式开源AutoGen，这是一个框架，允许开发具有多个Agent的LLM应用程序，这些Agent可以相互交流以解决任务。

AutoGen是一个框架，通过多个代理进行对话以解决任务，从而实现LLM应用的开发。AutoGen代理是可定制的、可对话的，并且能够无缝地允许人类参与。它们可以在使用LLMs、人类输入和工具的各种模式下运行。
>> AutoGen通过多代理对话的方式，以最小的工作量实现构建下一代LLM应用。它简化了复杂LLM工作流的编排、自动化和优化。它最大化了LLM模型的性能并克服了它们的弱点。
>> 它支持复杂工作流的多样对话模式。通过可定制和可对话的代理，开发人员可以使用AutoGen构建关于对话自主性、代理数量和代理对话拓扑结构等各种对话模式。
>> 它提供了一系列具有不同复杂性的工作系统。这些系统涵盖了各种领域和复杂性的应用。这展示了AutoGen如何轻松支持多样的对话模式。
>> AutoGen提供了增强的LLM推理。它提供了API统一和缓存等实用工具，以及高级使用模式，如错误处理、多配置推理、上下文编程等。

AutoGen由Microsoft、宾夕法尼亚州立大学和华盛顿大学的合作研究支持。

>> 多代理对话框架：AutoGen提供了多代理对话框架作为高级抽象。通过这个框架，人们可以方便地构建大型语言模型工作流。
>> 轻松构建多样化的应用程序：AutoGen提供了一个涵盖各种领域和复杂性的工作系统集合，使得轻松构建各种应用程序成为可能。
>> 增强的大型语言模型推理和优化：AutoGen支持增强的大型语言模型推理API，可用于提高推理性能并降低成本。

相关文档：AutoGen | AutoGen

GitHub地址：GitHub - microsoft/autogen: Enable Next-Gen Large Language Model Applications. Join our Discord: https://discord.gg/pAbnFJrkgZ

1、多Agent对话框架

AutoGen通过通用多Agent对话框架实现了下一代LLM应用程序。它提供了可定制和可对话的Agent，集成了LLM、工具和人类。通过自动化多个有能力的Agent之间的聊天，人们可以轻松地使它们共同执行任务，无需人类反馈，包括需要使用代码的工具的任务。这种用例的特点包括：
>> 多Agent对话：AutoGenAgent可以相互交流以解决任务。这使得可以开发比单个LLM更复杂和复杂的应用程序成为可能。
>> 定制：AutoGenAgent可以定制以满足应用程序的特定需求。这包括选择要使用的LLM、允许的人类输入类型和要使用的工具。
>> 人类参与：AutoGen可以无缝地允许人类参与。这意味着人类可以根据需要提供输入和反馈给Agent。

2、AutoGen的对话流程

3、增强的LLM推理

AutoGen还有助于最大程度地利用诸如ChatGPT和GPT-4之类昂贵LLM的效用。它提供了增强的LLM推理，具有调整、缓存、错误处理和模板等强大功能。例如，您可以通过自己的调整数据、成功指标和预算来优化LLM生成。

# perform tuning
config, analysis = autogen.Completion.tune(
    data=tune_data,
    metric="success",
    mode="max",
    eval_func=eval_func,
    inference_budget=0.05,
    optimization_budget=3,
    num_samples=-1,
)
# perform inference for a test instance
response = autogen.Completion.create(context=test_instance, **config)

请在此功能的更多代码示例中查找更多信息。

地址：AutoGen - Automated Multi Agent Chat | AutoGen

AutoGen的安装

1、安装

AutoGen要求Python版本>= 3.8。可以使用pip安装：

pip install pyautogen

安装时只安装了最小的依赖项，没有额外选项。您可以根据您的需求安装额外的选项。

在代码执行方面，强烈建议安装python docker包，并使用docker。

有关LLM推理配置，请查看常见问题解答。

地址：Frequently Asked Questions | AutoGen

2、快速测试

第一步，点击下面的链接使用Github Codespace，在GitHub Codespaces中打开

地址：https://codespaces.new/microsoft/autogen?quickstart=1

第二步，将OAI_CONFIG_LIST_sample复制到/notebook文件夹，命名为OAI_CONFIG_LIST，并设置正确的配置。

第三步，开始使用笔记本！

AutoGen的使用方法

1、基础用法

(1)、启动两个代理之间的自动聊天来解决任务


from autogen import AssistantAgent, UserProxyAgent, config_list_from_json
# Load LLM inference endpoints from an env variable or a file
# See https://microsoft.github.io/autogen/docs/FAQ#set-your-api-endpoints
# and OAI_CONFIG_LIST_sample
config_list = config_list_from_json(env_or_file="OAI_CONFIG_LIST")
# You can also set config_list directly as a list, for example, config_list = [{'model': 'gpt-4', 'api_key': '<your OpenAI API key here>'},]
assistant = AssistantAgent("assistant", llm_config={"config_list": config_list})
user_proxy = UserProxyAgent("user_proxy", code_execution_config={"work_dir": "coding"})
user_proxy.initiate_chat(assistant, message="Plot a chart of NVDA and TESLA stock price change YTD.")
# This initiates an automated chat between the two agents to solve the task

python test/twoagent.py